CN115937673B - 一种基于移动终端照片的地理要素快速变化发现方法 - Google Patents
一种基于移动终端照片的地理要素快速变化发现方法 Download PDFInfo
- Publication number
- CN115937673B CN115937673B CN202211479651.4A CN202211479651A CN115937673B CN 115937673 B CN115937673 B CN 115937673B CN 202211479651 A CN202211479651 A CN 202211479651A CN 115937673 B CN115937673 B CN 115937673B
- Authority
- CN
- China
- Prior art keywords
- feature
- candidate
- photo
- ground
- mobile terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 45
- 238000004364 calculation method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000001939 inductive effect Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 21
- 238000002474 experimental method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 244000025254 Cannabis sativa Species 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于移动终端照片的地理要素快速变化发现方法,包括:S1,通过移动终端采集照片图像与拍摄参数数据,针对移动终端照片提取地物集;S2,根据在线地图提取候选地物轮廓;基于历史矢量数据得到候选地物数据;基于地物轮廓和候选地物数据确定候选地物;S3,计算移动终端照片地物和候选地物方位角范围,通过比较候选地物的方位角范围之间的相似性来计算地物匹配度,根据匹配关系确定变化类型。本发明的方法融合移动终端照片和在线地图等多种数据,通过图像目标检测、地物方位角计算、地物相似度匹配等技术,归纳不同匹配关系对应的变化类型,实现地理要素快速变化发现。
Description
技术领域
本发明涉及的遥感影像变化检测技术,更具体地,涉及一种基于移动终端照片的地理要素快速变化发现方法。
背景技术
地理要素是存在于地球表面的各种自然和社会经济现象,以及它们的分布、联系和时间变化等,是地图的主体内容。地理要素的变化发现是基础地理信息数据库增量更新的前提,快速、高效地对地理要素进行变化发现,对于更好的监测城市地理信息变化、研究经济社会发展、保护生态环境、管理自然资源,以及理解人类活动与自然环境之间的关系和交互作用有着重要的意义。
随着遥感技术、人工智能、大数据等的不断发展和应用领域的拓展,变化检测的自动化、实时化和在轨化智能处理的需求日渐显现,但对于数据信息量巨大,且受光谱分辨率和几何分辨率影响的较大的遥感影像来说,人工智能等技术在提高遥感影像的目标识别和变化检测精度上没有想象中的优势。
现有技术的传统遥感影像变化检测中,按照遥感数据处理过程,对前后时相的遥感影像进行预处理,根据变化检测前是否需要对影像进行分类,将现有变化检测方法分为直接比较法和分类后比较法两种。直接比较法先通过代数运算对两期影像作差,然后对得到的差异影像作阀值分割,提取变化信息并做精度分析。分类后比较法在变化检测之前对原始影像进行分类处理,接着对分类后的影像进行面向像元或面向对象的变化检测。基于传统遥感影像变化检测技术日趋成熟,是大范围地表覆盖数据更新的重要技术手段。但由于云、雾、霾等天气的干扰,以及获取成本和数据分辨率的限制,遥感影像变化检测方法无法满足数据现势性和精确度的迫切需求。此外,变化检测传统技术还存在变化检测算法优选依赖于专家经验知识,变化检测处理流程的固定编排调用,变化检测处理过程效率较低等问题。
现有技术还存在基于单张照片定位的建筑物变化检测。已知建筑物的真实大小,通过智能手机对建筑物拍摄单张照片,根据设备摄像头的参数以及照片中目标物体的像素大小来估测出设备到目标物体的距离,然后根据设备的传感器数据推测设备的位置和设备的拍摄方向,结合距离信息,计算出目标物体的位置,结合在线地图服务判断建筑物的变化情况。缺点是目标物体的真实大小不好确定。
现有技术还存在基于多照片场景重建的变化检测。从不同的地点不同的角度拍摄几张目标的照片,把这几张照片上传至云端后,在后台利用运动恢复结构(SfM,Structurefrom Motion)的技术重构目标物体的三维几何结构。根据目标物体的三维几何结构可以推测出每次拍摄时用户和目标的相对位置,最后用优化算法结合每次拍摄时用户的GNSS信息推算出目标的位置,结合多时相的目标信息或结合在线地图服务判断目标的变化情况。缺点是需要用户对目标拍摄多张照片,而且由于算法复杂,并含有大量的冗余信息,不具有很好的交互性与实时性。
总的来说,现有技术的缺点包括:1、无法满足数据实时性的迫切需求,作为大多数变化检测方法的数据源,遥感影像是从高空鸟瞰,覆盖范围广,数据在空间分布均匀,但存在成本高、时效性实时性较弱的缺点。而移动终端照片多从地面拍摄,从微观角度记录街道层次立体剖面的精细化信息,且获取成本较低。2、基于照片目标定位的变化监测无法满足快速变化发现的需要基于照片的目标定位方法,要么需要对目标拍摄多张照片,要么需要事先知道被定位目标的大小,有着不实用、交互性低、计算复杂度高、人力成本高等不足。
发明内容
随着数码相机和带有高清拍摄功能的手机、平板等移动终端的日渐普及,普通民众已经可以随时随地采集感兴趣对象的照片,移动终端图像的数量以前所未有的速度增长,为典型地物变化检测提供了丰富而有用的新数据源,将移动终端图像作为地理空间信息获取的来源,具有重要的研究意义和广阔的应用前景,并且,得益于计算机视觉的发展,利用移动终端图像对目标进行匹配定位和变化检测的技术已经日趋成熟,具有对处理设备要求不高、处理方法自动化程度高、处理过程耗时短等特点。
为此,本发明提出一种基于移动终端照片的地理要素快速变化发现方法,包括S1,通过移动终端采集照片图像与拍摄参数数据,针对移动终端照片提取地物集;S2,根据在线地图提取候选地物轮廓;基于历史矢量数据得到候选地物数据;基于地物轮廓和候选地物数据确定候选地物;S3,计算移动终端照片地物和候选地物方位角范围,通过比较候选地物的方位角范围之间的相似性来计算地物匹配度,根据匹配关系确定变化类型。
本发明的有益效果包括:本发明面向典型地理要素快速变化发现的需要,融合移动终端照片和在线地图等多种数据,通过图像目标检测、地物方位角计算、地物相似度匹配等技术,归纳不同匹配关系对应的变化类型,实现地理要素快速变化发现,意在弥补传统变化检测方法获取成本高、数据分辨率低、时效性较弱等不足,推动解决移动终端照片图像地理要素快速变化发现的理论和技术难题,在提高地物变化信息采集效率和变化区域识别的自动化程度,降低自然资源基础调查、国土变调查工作成本,及时发现自然资源违法、破坏行为等方面具有重要意义。
附图说明
为了更容易理解本发明,将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式,不应认为对本发明保护范围的限制。
图1为本发明的方法的流程图。
图2为本发明的方法的技术路线图。
图3显示了三种地图提取的建筑物的二值图像。
图4显示了轮廓层次结构的示意图。
图5显示了图3对应的候选建筑物的轮廓提取的示意图。
图6显示了提取的建筑物的一个示例。
图7显示了在线地图候选建筑物轮廓存储的一个示例。
图8显示历史矢量数据候选建筑物轮廓存储示例。
图9显示了照片拍摄俯视图的示意图。
图10显示了地物可视范围。
图11显示了四组建筑物照片实验数据。
图12显示了针对图11的四组数据的照片建筑物区域提取结果。
图13显示了图11中的第一组数据的在线地图候选建筑物区域提取结果。
图14显示了图11中的第二组数据的在线地图候选建筑物区域提取结果。
图15显示了图11中的第三组数据的在线地图候选建筑物区域提取结果。
图16显示了图11中的第四组数据的在线地图候选建筑物区域提取结果。
图17显示了矢量数据的候选建筑物提取结果。
图18显示了草地照片实验数据的4组实验结果。
图19显示了照片草地区域提取结果。
图20显示了通过天地图在线地图服务提取的候选草地结果。
图21显示了不同的照片长宽比条件下的平均水平视角范围值。
具体实施方式
下面参照附图描述本发明的实施方式,以便于本领域的技术人员可以更好的理解本发明并能予以实施,但所列举的实施例不作为本发明的限定,在不冲突的情况下,下述的实施例及实施例中的技术特征可以相互组合,其中相同的部件用相同的附图标记表示。
如图1-2所示,本发明的方法包括:
针对非开阔与开阔两种场景下的典型地理要素,综合利用移动终端照片、在线地图、矢量数据等多源数据,以“照片地物提取-候选地物获取-地物变化检测”为主线,进行要素目标变化信息快速发现。首先在移动终端图像中提取出照片地物,然后在多源数据中获取候选地物,最后利用Jaccard相似系数匹配的方法,判断要素变化情况
S1,提取移动终端照片地物。目的是获取移动终端照片以及地理坐标、方位角、视角范围等参数,解决从移动终端照片中提取特定类型地物区域的问题。更具体地,步骤S1包括步骤S11-S12。
S11,通过移动终端采集照片图像与拍摄参数数据。
这些数据可以在通过智能手机获得。在拍摄目标时,通过传感器获取拍摄点地理位置坐标和拍摄方向角度等数据,水平视角范围数据采用基于A4纸的照片视角范围计算方法获取。基于A4纸的照片视角范围计算方法如下。
将A4纸粘贴在竖直平面上,再将手机等移动终端固定在与A4纸一定距离的位置,并获取水平距离值D;使用移动终端,针对A4纸拍摄不同长宽比的照片,并通过常用的图像处理方法,提取照片中的A4纸,计算不同设备不同长宽比条件下的照片水平视角范围参数V,公式如下:
式中,w0为照片图像水平方向长度,wA4为A4纸在照片图像中的水平方向长度,WA4为A4纸在水平方向上的实际尺寸,D为拍摄点与A4纸的水平距离。
S12,针对移动终端照片提取地物集。
在EasyDL平台中创建模型,标注移动终端照片图像数据,训练图像与实际场景图像的拍摄环境尽量一致,同时考虑拍摄距离、角度和光线明暗等因素,尽可能地覆盖实际场景,当训练数据覆盖的场景情况越多,模型泛化能力越强;然后,利用标注好的训练数据对预先准备的Mask R-CNN模型进行训练,基于自定义训练好的图像分割模型,实现移动终端照片地物提取。
参考图1,在S2中,基于多源地图数据获取候选地物。步骤S2包括S21-S23。
可选地,可利用高德地图、百度地图和天地图等在线地图服务以及历史矢量数据,通过图像处理和空间分析等方法获取候选地物,便于与移动终端照片地物进行匹配与变化发现。
S21,根据移动终端照片拍摄时的地理坐标,选取合适的参数获取一定范围内的在线地图图片。
设定参数,通过标准HTTP协议获取高德地图、百度地图、天地图指定位置和大小的地图图像。
S22,提取候选地物轮廓。
1)将图像二值化。
对于在线矢量地图,首先利用图像处理的方法将图像二值化,即将图像上像素点的灰度值设置为0或255,使整个图像呈现出只有黑和白的视觉效果。以建筑物为例,在识别矢量地图灰度图像中建筑物像素点的颜色值后,再将灰度图像中颜色值符合的像素提取出来灰度值设为255,其余像素灰度值设为0,转为二值图像,如图3所示的为3种在线地图处理后的建筑物的二值图像。
2)去除二值图像中的噪声。
方法1:针对地图(例如高德地图、百度地图等)中面积较小的像素噪声,在获取每个轮廓包围区域的面积后,设置轮廓区域面积阈值,去掉面积小于阈值的轮廓区域。
方法2:针对地图注记(例如高德地图、百度地图等)造成的孔洞,根据二值图像中的轮廓可能存在一定的相互连接的关系这一层次结构(Hierarchy)原理,如图4中所示,轮廓线0、1和2在同一个也是第一个层次结构中,称为0级;轮廓2a是轮廓2的子代,为1级;轮廓3是轮廓2a的子代,为2级;轮廓4和轮廓5是轮廓3a的子级,为4级。要去除注记孔洞,保留属于第0级的轮廓即可。
方法3:要去除地图(例如天地图)建筑物二值图中误识别的道路等其他地类,需在去除噪声的基础上,使用轮廓层次结构,保留的是不存在子代层次的轮廓。
方法4:针对地图(例如天地图)建筑物二值图中不存在子代层次的道路轮廓的特殊情况,可以根据轮廓面积(Contour Area)和轮廓的直矩形框(Straight BoundingRectangle)面积的比值(Extent)来判断并剔除。经多次试验,将比值阈值设为0.3,Extent小于阈值的轮廓则被视为道路轮廓,从建筑物候选轮廓中去除。
高德地图和百度地图经过方法1和方法2的处理。天地图经过方法1、方法3和方法4的处理,结果如图5所示。
另外,对于历史矢量数据,利用拍摄点地理坐标作为输入创建一定距离的缓冲区(通过实验,优选地选择300米的缓冲区),将缓冲区与矢量数据进行相交,得到缓冲区内的候选地物数据,如图6所示。
可选地,在S23中,对于在线地图,要对候选地物轮廓点图像坐标转换为经纬度坐标,并对候选地物矢量重新排序。
以高德地图、百度地图和天地图图像为例。以北京市为研究区,当高德地图、百度地图和天地图级别均为最大时,在地图图像中选取多个相同的可视化范围,利用截图功能从左上角位置点到右下角位置点,测量每种地图图像中的横向和纵向像素距离,并分别计算高德地图和百度地图相较于天地图的可视化尺度匹配值(高德地图与天地图的横向、纵向平均像素距离比值为0.944和1.213,百度地图与天地图的横向、纵向平均像素距离比值为0.589和0.736)。
根据天地图静态图API提供的pixLocation参数,以及拍摄点(地图中心点)经纬度、宽度和高度范围,可以将指定的经纬度坐标转换成静态图上相对于左上角的屏幕坐标。根据pixLocation参数建立图上像素距离与经纬度之间的转换关系。经度或纬度,每增加1度,对应图像186413个像素,并且经度与横向像素为同向增加,纬度与纵向像素为反向增加。
在最大级别下高德地图、百度地图和天地图图像中,三种地图图像的像素横纵坐标(xi,yi)转换为经纬度坐标(Loni,Lati)的公式:
Loni=Loncenter+k1i*(xi-Widthi/2)/186413(2)
Lati=Latcenter-k2i*(yi-Heighti/2)/186413(3)
式中,k1i和k2i分别为地图i相对于天地图图像在横向和纵向两个方向上的可视化尺度匹配值;Widthi和Heighti分别为地图i的图像宽度和长度。
在计算每个候选建筑物离地图中心点距离后,由近及远对候选地物矢量重新编号,如图7所示,得到n个候选建筑物轮廓C1,C2,…,Cn,其中候选建筑物轮廓Ci有mi个顶点,表示为<Pi1,Pi2,…,Pim>,每个顶点为经纬度坐标形式。
历史矢量数据无需进行坐标转换,如图8所示。
参考图1,在S3中,进行地物变化检测。针对非开阔场景地物与开阔场景地物特征,本发明提出了基于Jaccard相似系数的地理要素快速变化发现方法:计算照片地物和候选地物的方位角及范围,结合Jaccard相似系数比较照片地物与候选地物集两者的匹配度,并根据地物匹配关系确定对应的变化类型。步骤S3包括S31-S33。
S31,计算移动终端照片地物和候选地物方位角范围。
移动终端照片地物方位角计算方法如下:
照片成像的过程把视角范围内的各种地物压缩到照片平面上,如图9所示的照片拍摄俯视图示意图,C为拍摄点的地面投影点,I为图像中心的地面投影点,B为照片图像边界(右侧)的地面投影点,从拍摄点位置到图像中心的方向反映了拍摄方向β0,拍摄点位置到照片中地物点i的方向称为照片地物方位角βi,P1′为照片中某地物点P1的地面投影点,V′表示的∠ICB为在照片水平视角范围V的一半(V在移动终端照片地物提取的第一步已求出)。
计算照片地物点P1的偏角αi和方位角β1:
β1=β0+α1 (5)
式中,为照片宽度的一半;结合地物轮廓点像素横坐标和照片宽度,计算照片中心I与地物点P1的横向照片像素距离/>当地物点P1在照片左半边,即点P1在中心点I的左侧时,偏角αi为负值;当地物点P1在照片右半边,即点P1在中心点I的右侧时,偏角αi为正值。
候选地物方位角计算如下:
候选地物方位角计算即根据两点经纬度坐标,求地物点j相对于拍摄点i的方位角βij,公式如下:
Δy=sin(Lonj-Loni)*cos(Latj) (6)
Δx=cos(Lati)*sin(Latj)-sin(Lati)*cos(Latj)*cos(Lonj-Loni) (7)
式中,Loni为点i经度,Lati为点i纬度,Lonj为点j经度,Latj为点j纬度,均为弧度制;atan2()是返回四象限反正切的函数。
实际方位角范围为[0,360),需将角度形式的βij为转换在[0,360)的区间。以某一建筑物面状目标P<P1,P2,P3,P4,P5,P6,P7,P8>为例,如图10所示,说明不同拍摄位置和拍摄方向下的可视范围情况,图10中的(a)中和/>的方位角为最值,地物P的可视范围由P2、C1、P7构成;图10中的(b)地物P的可视范围由P2(或P4)、C1、P8构成。
图10中的(b)中地物P相对于点C2的方位角范围可表示为RP=[βP2,βP8],且βP2<βP8。但图10中的(a)中βP2在点C1正北线的左侧,而βP7在点C1正北线的右侧,出现的βP2>βP7的情况,地物P相对于点C1的方位角范围无法表示为RP=[βP2,βP7],需结合照片拍摄方向β0和照片水平视角范围V来重新计算地物P部分顶点的方位角,下面分两种情形进行讨论:
1)当时,照片地物方位角范围Ra=[Ramin,Ramax]可能出现Ramin<0的情况,需将拍摄点正北线左侧的顶点方位角度数减去360,调整为负值,以保证修改过的地物顶点方位角集合中不会出现最小值βleft大于最大值βright的情况,同时与照片地物可能的方位角范围区间具有可比性。
2)当时,照片地物方位角范围Ra=[Ramin,Ramax]可能出现Ramax≥360的情况,需将拍摄点正北线右侧的顶点方位角度数加上360,以保证修改过的地物顶点方位角集合中不会出现最大值βright小于最小值βleft的情况,同时与照片地物可能的方位角范围区间具有可比性。
S32,基于Jaccard相似系数计算地物匹配度。还可以用余弦相似度、皮尔森相关系数等,技术思路是比较移动终端照片候选地物A的方位角范围和候选地物B的方位角范围之间的相似性。
对于给定的两个集合,Jaccard系数是二者交集的大小与二者并集的大小的比值,目标检测算法中,Jaccard系数被称为交并比(Intersection over Union,IoU)。具体公式如下:
这里利用Jaccard系数在相似度计算方面的优势,通过Jaccard系数计算两个地物方位角范围的相似度。对于移动终端照片地物A和候选地物B,他们的匹配系数计算公式如下:
其中,range(A)表示移动终端照片A的方位角范围,range(B)则表示候选地物B的方位角范围。计算得出的Jaccard系数区间是[0,1],系数越大,匹配的相似度越大。
依据照片场景分布格局,照片场景分为非开阔场景和开阔场景。当照片成像主体是场景立面时,场景立面与拍摄立面平行,几何变形较小,这类场景定义为非开阔场景,如建筑物、林地等,主要体现场景建筑和高大树林的立面。
对于非开阔场景计算方法如下。
1)判断地物a的轮廓完整性:照片地物a的方位角范围为Ra=[Ramin,Ramax],根据照片拍摄方向β0和照片水平视角范围V,计算照片地物可视范围如果Ramin与/>的绝对值或者Ramax与/>的绝对值过小,说明显示在照片中的地物a的轮廓可能不完整,可能影响后续变化检测结果准确性;否则说明照片中地物a的轮廓是完整的,不会影响后续检测。
2)结合Jaccard系数,计算地物a与候选地物集B中所有地物在方位角范围的相似度,将最大值定义为地物a与候选地物集B的匹配度Sa,公式如下:
式中,range(a)表示地物a的方位角范围,range(b)则表示地物b的方位角范围。根据Jaccard系数性质,匹配度系数Sa区间是[0,1],Sa越大,说明候选地物集B中越有可能存在与地物a相互匹配的地物。当设定合适匹配度阈值S0时,若Sa<S0,可认为地物a发生变化,否则认为地物a未发生变化。
不同于非开阔场景地物,开阔场景照片主要体现场景地物的上平面,成像到照片时受拍摄角度限制,几何形状畸变大,如水面、草地、未利用地等。
对于开阔场景的计算方法如下。
考虑到开阔场景地物区域一般较大,在照片中往往是不完整的,在照片拍摄范围外可能存在所拍地物的一部分区域,甚至是大部分区域,这种情况下,匹配度Sa公式如下:
式中,range(a)表示照片地物a的方位角范围,range(b)则表示候选地物集中候选地物b的方位角范围。匹配度系数Sa区间同样是[0,1],Sa越大,说明候选地物集B中越有可能存在与地物a相互匹配的地物。当设定合适匹配度阈值S0时,若Sa<S0,可认为地物a发生变化,否则认为地物a未发生变化。
S33,根据匹配关系确定变化类型。
照片地物拍摄时相既可能比候选地物早,也可能比候选地物晚,根据地物a与候选地物集B的匹配度Sa来判断地物a是否变化的基础上,结合地物a时相Ta与候选地物集B时相TB,判断地物a相对于候选地物集B的变化类型K,公式如下:
式中,K1表示无变化的类型,K2表示新增类型,K3表示消失类型;Sa为地物a与候选地物集B的匹配度,S0为匹配度阈值。当通过比较匹配度确定地物a发生了变化时,若地物a时相Ta晚于候选地物集B时相TB,判断地物a发生了新增;若地物a时相Ta早于候选地物集B时相TB,判断地物a发生了消失。
本发明面向典型地理要素快速变化发现的需要,融合移动终端图像和在线地图等多种数据,通过地物图像检测、地物方位角计算、地物相度似匹配等关键技术,根据匹配关系识别变化类型,对感兴趣地物变化信息进行快速发现,实现了待检测目标地物的按时、应需、局部检测,弥补了传统变化检测方法遥感数据获取成本高、数据分辨率低、时效性较弱、工艺流程复杂、同物异谱降低精度等不足,在提高地物变化信息采集效率、精度和变化区域识别的自动化程度,降低自然资源基础调查、国土变更调查工作成本,及时发现自然资源违法、破坏行为等方面具有重要意义,还可以为开发移动端地图快速更新工具提供技术基础。
本发明经过试验验证可行,以下分别以建筑物和绿化带为例,介绍了非开阔场景和开阔场景两种情况下的快速变化发现实验结果,测试快速匹配与变化检测方法在准确度和时间复杂度上的性能。
非开阔场景快速变化发现实验——以建筑物为例。
测试非开阔场景下,不同拍摄参数条件时,本发明的可行性。选择建筑物作为典型地物,设置了如图11所示的4组实验,每组在同一个拍摄位置朝不同方向拍摄多张照片。拍摄位置坐标为WGS84坐标系,方位角范围为[0,360),每张照片分辨率均为384×512像素,拍摄时间均为2019年2月。
1)移动终端照片建筑物提取结果
照片建筑物的检测置信度表示为score,4组实验照片提取出的建筑物区域score均大于0.99,平均值为0.9964,提取出的照片建筑物区域可以满足后续变化发现的需求。在照片(2)、照片(7)和照片(8)中,提取出不止1个建筑物区域,根据轮廓完整性判断,照片(2)的建筑物2、照片(7)的建筑物1以及照片(8)中的建筑物2不参与后续变化检测实验,如图12所示。
2)在线地图候选建筑物提取结果,如图13-图16所示。
3)历史矢量数据候选建筑物提取结果,如图17所示。数据源时相早于2019年。
4)建筑物匹配度计算结果及匹配准确度。计算4组实验每个照片建筑物与4种数据源候选建筑物集的匹配度,如表1所示。设置匹配度阈值为0.6,当匹配度平均值大于阈值时,认为照片建筑物未发生变化,否则认为目标发生了变化。
表1建筑物匹配度计算结果
*注:匹配度平均值在计算时排除了低于阈值的匹配度。
表2比较了候选建筑物集中的每个匹配度(最大相似度)的相应匹配编号与人为目视判断的实际情况编号。由于高德地图、百度地图和天地图在提取时未将实际候选地物提取完整,发生了注记为①、②、③、④、⑤和⑥的错误匹配情况,但其中③、④和⑥三处由于匹配度小于阈值,认为不存在匹配,与根据匹配度得到的匹配结果是一样的,因此本实验中只存在3处错误匹配,匹配准确度为92.5%。在候选地物提取完整的条件下,匹配编号与实际编号均一一对应,匹配准确度可接近100%。
表2候选建筑物编号比较表
将与照片建筑物实际匹配的候选建筑物删除,即假设照片建筑物发生变化的情况,以此分析建筑物变化时的检测结果和准确度,结果如表3所示,设置匹配度阈值为0.6,当匹配度平均值低于阈值时,认为目标发生了变化。
表3剔除实际匹配候选建筑物后匹配度计算结果
*注:匹配度平均值在计算时排除了高于阈值的匹配度。
结合实际情况,除序号为(1)-1的建筑物在天地图和矢量地图候选建筑物集中的匹配检测情况外,其余检测结果与实际相符,准确率约为95%。
5)时间复杂度。本发明全流程使用Python代码实现,每组实验重复多次后,统计各环节平均运行时间如表5-7所示。每张照片的变化检测全流程平均用时为5.05s,符合快速变化发现的需求。
表4实验用时
开阔场景快速变化发现实验——以绿化带为例
测试开阔场景下,不同拍摄参数条件时,本发明的可行性。选择绿化带作为典型地物,设置了如图18所示的草地照片实验数据的4组实验,每组在同一拍摄位置朝不同方向拍摄包含同一片草地的多张照片。拍摄位置坐标为WGS84坐标系,方位角范围为[0,360),每张照片分辨率均为683×512像素,拍摄时间均为2020年3月。
移动终端照片绿化带提取结果:照片草地区域提取结果如图19所示,照片草地区域的检测置信度表示为score,平均值为0.9235,结果显示可以满足后续变化检测的需求。
在线地图候选绿化带提取结果:由于高德地图和百度地图获取的地图图片中草地区域较少,无法满足匹配检测实验的需要,且草地区域的矢量数据较难获取,本实验主要将天地图作为候选草地区域的数据源。通过天地图在线地图服务提取的候选草地结果如图20所示的天地图候选草地区域提取图所示。
绿化带匹配度计算结果及匹配准确度:计算4组实验照片草地区域与天地图候选草地区域集的匹配度,如表5所示。将草地区域的匹配度阈值设为0.8,当照片草地区域的匹配度大于阈值时,认为存在相匹配的候选草地区域,即照片草地区域未发生变化;否则认为发生了变化。
表5照片草地区域目标匹配
在照片草地区域存在匹配的情况下,天地图的平均匹配度为0.9243。
将与照片草地区域实际匹配的候选草地区域删除,即假设照片草地区域发生变化的情况,以此分析草地区域变化时的检测结果和准确度。结果如表6所示。
表6照片草地区域变化检测
/>
只有第1组照片(1)草地区域1的匹配度略大于阈值0.8,认为没有发生变化,这与实验假设不符。在照片草地区域匹配度低于阈值,即不存在匹配的情况下,天地图候选草地区域集的平均匹配度为0.2976,远低于0.8,草地变化检测的综合准确率为87.5%。
时间复杂度:草地快速变化检测实验全流程均使用Python代码实现,将每组实验重复多次后,统计各环节平均运行时间如下:。每张照片的变化检测全流程平均用时为3.22s,符合快速变化发现的需求。
表7草地变化检测实验用时
步骤 | 平均时间/s |
步骤1:照片草地区域提取 | 2.62 |
步骤2:候选草地区域提取 | 0.58 |
步骤3:草地变化检测 | 0.02 |
总计 | 3.22 |
基于A4纸的照片视角范围获取实验
针对小米、华为等多个品牌的手机设备进行了大量重复实验,实验中,W_A4为0.297米,D为0.6米。发现在相机默认的拍摄焦距下,不同设备在同一照片长宽比下得到的水平视角范围非常接近,即照片水平视角范围与设备无关,而得到不同的照片长宽比条件下的平均水平视角范围值如图21所示。其中,16:9和4:3两种长宽比条件下V相近,1:1和3:4两种长宽比条件下V一致。
以上所述的实施例,只是本发明较优选的具体实施方式,本说明书使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (4)
1.一种基于移动终端照片的地理要素快速变化发现方法,其特征在于,包括:
S1,通过移动终端采集照片图像与拍摄参数数据,针对移动终端照片提取地物集;
S2,根据在线地图提取候选地物轮廓;基于历史矢量数据得到候选地物数据;基于地物轮廓和候选地物数据确定候选地物;
S3,计算移动终端照片地物和候选地物方位角范围,结合Jaccard相似系数比较照片地物与候选地物集两者的匹配度,结合地物的时相与候选地物集的时相,判断地物相对于候选地物集的变化类型,其中,通过如下公式计算移动终端照片地物点P1的偏角α1和方位角β1,方位角指的是摄点位置到照片中地物点的方向:
β1=β0+α1,
式中,I为图像中心的地面投影点,B为照片图像边界的地面投影点,β0为拍摄方向,P1′为照片中地物点P1的地面投影点,为照片宽度的一半,/>为照片中心I与地物点P1的横向照片像素距离,V′表示的∠ICB为在照片水平视角范围V的一半;
通过如下公式计算候选地物方位角:
Δy=sin(Lonj-Loni)*cos(Latj),
Δx=cos(Latj)*sin(Latj)-sin(Lati)*cos(Latj)**cos(Lonj-Loni),
式中,Loni为点i经度,Lati为点i纬度,Lonj为点j经度,Latj为点j纬度,均为弧度制,Δy和Δx分别为i和j两点在平面坐标系中的横纵坐标差值;
针对非开阔场景,通过如下公式计算地物a与候选地物集B中所有地物在方位角范围的相似度,将最大值定义为地物a与候选地物集B的匹配度Sa:
针对开阔场景,通过如下公式计算地物匹配度:
式中,range(a)表示照片地物a的方位角范围,range(b)表示候选地物集中候选地物b的方位角范围,B为照片图像边界的地面投影点。
2.根据权利要求1所述的地理要素快速变化发现方法,其特征在于,步骤S2还包括:
根据移动终端照片拍摄时的地理坐标,选取设定范围内的在线地图图片,提取候选地物轮廓;
对于历史矢量数据,利用拍摄点地理坐标创建缓冲区,将缓冲区与矢量数据进行相交,得到缓冲区内的候选地物数据;
对于在线地图,对候选地物轮廓点图像坐标转换为经纬度坐标,并对候选地物矢量重新排序,确定候选地物。
3.根据权利要求1所述的地理要素快速变化发现方法,其特征在于,还包括:
结合地物a照片拍摄时相Ta与候选地物集B时相TB,通过如下公式判断地物a相对于候选地物集B的变化类型K:
式中,K1表示无变化的类型,K2表示新增类型,K3表示消失类型;Sa为地物与候选地物集的匹配度,S0为匹配度阈值。
4.根据权利要求3所述的地理要素快速变化发现方法,其特征在于,
当通过比较匹配度确定地物发生了变化时,若地物的时相晚于候选地物集的时相,判断地物发生了新增;若地物的时相早于候选地物集的时相,判断地物发生了消失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479651.4A CN115937673B (zh) | 2022-11-24 | 2022-11-24 | 一种基于移动终端照片的地理要素快速变化发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479651.4A CN115937673B (zh) | 2022-11-24 | 2022-11-24 | 一种基于移动终端照片的地理要素快速变化发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937673A CN115937673A (zh) | 2023-04-07 |
CN115937673B true CN115937673B (zh) | 2024-04-26 |
Family
ID=86553155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211479651.4A Active CN115937673B (zh) | 2022-11-24 | 2022-11-24 | 一种基于移动终端照片的地理要素快速变化发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937673B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274442B (zh) * | 2023-11-23 | 2024-03-08 | 北京新兴科遥信息技术有限公司 | 一种面向自然资源地图的动画生成方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100124121A (ko) * | 2009-05-18 | 2010-11-26 | 픽스코리아 주식회사 | 지리 정보 파노라마 사진의 제작을 위한 방위각 측정 장치 및 방법 |
JP2013225157A (ja) * | 2013-07-19 | 2013-10-31 | Kokusai Kogyo Co Ltd | 地理空間情報の管理システム、及び地理空間情報のプログラム |
CN105334525A (zh) * | 2015-11-26 | 2016-02-17 | 武大吉奥信息技术有限公司 | 一种基于增强现实技术的地理信息显示方法 |
CN109492606A (zh) * | 2018-11-26 | 2019-03-19 | 上海同繁勘测工程科技有限公司 | 多光谱矢量图获取方法及***、三维单体化方法及*** |
CN111667394A (zh) * | 2020-05-22 | 2020-09-15 | 武汉大学 | 一种基于特征描述的地图缩放比例推断方法 |
CN112598740A (zh) * | 2020-12-29 | 2021-04-02 | 中交第二公路勘察设计研究院有限公司 | 一种大范围多视倾斜影像连接点快速精确匹配方法 |
CN115344655A (zh) * | 2022-08-19 | 2022-11-15 | 高德软件有限公司 | 地物要素的变化发现方法、装置及存储介质 |
-
2022
- 2022-11-24 CN CN202211479651.4A patent/CN115937673B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100124121A (ko) * | 2009-05-18 | 2010-11-26 | 픽스코리아 주식회사 | 지리 정보 파노라마 사진의 제작을 위한 방위각 측정 장치 및 방법 |
JP2013225157A (ja) * | 2013-07-19 | 2013-10-31 | Kokusai Kogyo Co Ltd | 地理空間情報の管理システム、及び地理空間情報のプログラム |
CN105334525A (zh) * | 2015-11-26 | 2016-02-17 | 武大吉奥信息技术有限公司 | 一种基于增强现实技术的地理信息显示方法 |
CN109492606A (zh) * | 2018-11-26 | 2019-03-19 | 上海同繁勘测工程科技有限公司 | 多光谱矢量图获取方法及***、三维单体化方法及*** |
CN111667394A (zh) * | 2020-05-22 | 2020-09-15 | 武汉大学 | 一种基于特征描述的地图缩放比例推断方法 |
CN112598740A (zh) * | 2020-12-29 | 2021-04-02 | 中交第二公路勘察设计研究院有限公司 | 一种大范围多视倾斜影像连接点快速精确匹配方法 |
CN115344655A (zh) * | 2022-08-19 | 2022-11-15 | 高德软件有限公司 | 地物要素的变化发现方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
Jixian Zhang.Understanding geographical conditions monitoring: a perspective from China.《International Journal of Digital Earth》.2015,第8卷(第1期),38-57. * |
宗琴.多尺度矢量地图中模糊相似变换及其度量模型.《测绘科学》.2018,第43卷(第11期),72-78. * |
高昭良 ; .一种基于最大基因组比对法的地理要素匹配相似度算法.城市勘测.2016,(第06期),12-15. * |
Also Published As
Publication number | Publication date |
---|---|
CN115937673A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
US10043097B2 (en) | Image abstraction system | |
US20080089577A1 (en) | Feature extraction from stereo imagery | |
CN110263716B (zh) | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 | |
CN115937673B (zh) | 一种基于移动终端照片的地理要素快速变化发现方法 | |
CN112287838A (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及*** | |
Hu et al. | Building modeling from LiDAR and aerial imagery | |
CN105631849B (zh) | 多边形目标的变化检测方法及装置 | |
Mayr et al. | Mapping eroded areas on mountain grassland with terrestrial photogrammetry and object-based image analysis | |
CN107301658B (zh) | 一种无人机影像与大规模旧时相影像快速匹配定位的方法 | |
Boonpook et al. | UAV-based 3D urban environment monitoring | |
Kong et al. | An automatic and accurate method for marking ground control points in unmanned aerial vehicle photogrammetry | |
Lehrbass et al. | Urban tree cover mapping with relief-corrected aerial imagery and LiDAR | |
Zhu | A pipeline of 3D scene reconstruction from point clouds | |
Li et al. | Low-cost 3D building modeling via image processing | |
Produit et al. | Pose estimation of web-shared landscape pictures | |
Pu et al. | Refining building facade models with images | |
Moe et al. | Urban build-up building change detection using morphology based on GIS | |
Li et al. | The land-use change detection method using object-based feature consistency analysis | |
Nakagawa et al. | Building change detection using 3-D texture model | |
Yang et al. | Application of High-Resolution Satellite Imagery Techniques in the Assessment of Urban Park Green Cover. | |
Nasiri et al. | UAV-Based Canopy Height Modeling under Leaf-on and Leaf-off Conditions for Determining Tree Height and Crown Diameter (Case Study: Hyrcanian Mixed Forest) | |
Roozenbeek | Dutch Open Topographic Data Sets as Georeferenced Markers in Augmented Reality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |